MODIFIED DIRECTION FEATURE AND NEURAL NETWORK BASED TECHNIQUE FOR HANDWRITING CHARACTER RECOGNITION

Abstract

Handwriting character recognition is an important research topic which has various applications in surveillance, radar, robot technology... In this paper, we propose the implementation of the handwriting character recognition using off-line handwriting recognition. The approach consists of two steps: to make thin handwriting by keeping the skeleton of character and reject redundant points caused by humam’s stroke width and to modify direction method which provide high accuracy and simply structure analysis method to extract character’s features from its skeleton. In addition, we build neural network in order to help machine learn character specific features and create knowledge databases to help them have ability to classify character with other characters. The recognition accuracy of above 84% is reported on characters from real samples. Using this off-line system and other parts in handwriting text recognition, we can replace or cooperate with online recognition techniques which are ususally applied on mobile devices and extend our handwriting recognition technique on any surfaces such as papers, boards, and vehicle lisences as well as provide the reading ability for humanoid robot.

Full text

Science & Technology Development, Vol 14, No.K2- 2011
Trang 62
NHẬN DẠNG CHỮ VIẾT TAY DÙNG RÚT TRÍCH THÔNG TIN
THEO CHIỀU VÀ MẠNG NƠRON
Huỳnh Hữu Lộc, Lưu Quốc Hải, Đinh Đức Anh Vũ
Trường Đại học Bách Khoa, ĐHQG-HCM
(Bài nhận ngày 07 tháng 12 năm 2010, hoàn chỉnh sửa chữa ngày 20 tháng 04 năm 2011)
TÓM TẮT: Nhận dạng chữ viết tay là một đề tài rất quan trọng, nó có những ứng dụng khác nhau
trong tình báo, kỹ thuật robot,.... Bài báo cáo này trình bày kỹ thuật nhận dạng ký tự viết tay dùng
phương pháp nhận dạng dựa trên thông tin tĩnh. Phương pháp gồm hai bước: làm mỏng nét ký tự để giữ
lại bộ khung của chúng và những thông tin đặc trưng được rút trích dựa trên bộ khung này bằng
phương pháp rút trích thông tin theo chiều. Mặt khác, chúng ta xây dựng mạng nơ-ron nhân tạo nhằm
tạo ra cơ sở dữ liệu tri thức cho quá trình nhận dạng. Trong thí nghiệm của mình, độ chính xác của giải
thuật đạt trên 84% được ghi nhận dựa trên các mẫu thu được trong thực tế. Với kỹ thuật này, chúng ta
có thể thay thế hoặc kết hợp với các phương pháp nhận dạng trực tuyến thường được dùng trên các
thiết bị di động và mở rộng việc nhận dạng lên các bề mặt khác như giấy viết, bảng, biển số xe, cũng
như khả năng đọc chữ cho robot.
Từ khóa: nhận dạng chữ viết tay, mạng nơron
1. GIỚI THIỆU
Nhận dạng chữ viết tay là một đề tài rất
quan trọng, nó có những ứng dụng khác nhau
trong tình báo, kỹ thuật robot,.... Các nghiên
cứu về nhận dạng chữ viết tay đã được phát
triển từ hơn nửa thập kỷ qua và đạt được nhiều
thành quả thiết thực.
Ở mức khái niệm, kỹ thuật nhận dạng chữ
viết tay được chia thành hai phương pháp chính
[1, 2]: nhận dạng chữ viết gián tiếp dựa trên
thông tin tĩnh (off-line handwriting
recognition)- chương trình sẽ thông dịch các kí
tự, các chữ hay các đoạn văn được viết trên các
mẫu giấy hoặc các các bề mặt khác mà chúng
ta có thể thu thập thông tin về chúng thông qua
hình ảnh thu được từ các bề mặt bằng cách
chụp lại hình ảnh và nhận dạng chữ viết trực
tiếp dựa trên thông tin động (online
handwriting recognition)- nhận dạng ký tự hoặc
chữ viết dựa trên thông tin thu được trong thời
gian thực ngay lúc người dùng thực hiện hành
động viết, những thông tin đó là tốc độ viết, áp
lực khi viết và hướng viết.
Hướng tiếp cận của đề tài là nhận dạng
dựa trên thông tin tĩnh. Mặc dù phương pháp
nhận dạng trực tiếp đang được áp dụng rộng rãi
trên các thiết bị di động, nhưng nhận dạng tĩnh
lại có những ưu điểm khác. Phương pháp này
không dừng lại ở việc ứng dụng và hoàn thiện
trên các thiết bị di động, mà còn có khả năng
mở rộng sang các ứng dụng khác như đọc các
văn bản viết trên giấy cũng như ứng dụng vào
khả năng đọc và hiểu chữ của robot.

TAÏP CHÍ PHAÙT TRIEÅN KH&CN, TAÄP 14, SOÁ K2 - 2011
Trang 63
Đầu tiên chúng ta dùng giải thuật làm
mỏng nét ký tự để giữ lại bộ khung ký tự, loại
bỏ các thông tin dư thừa về hình dạng của kí tự.
Sau đó, những thông tin đặc trưng được rút
trích dựa trên bộ khung này bằng phương pháp
rút trích thông tin theo chiều và kết hợp những
véctơ đặc điểm cục bộ với các thông tin về cấu
trúc toàn cục sẽ nhận dạng chữ viết. Tiếp theo,
chiều của các phần đoạn thẳng tạo nên các ký
tự được dò tìm, các pixel được thay thế bằng
các giá trị chiều thích hợp. Cuối cùng, các đặc
điểm của kí tự được huấn luyện và phân loại
bởi mạng nơ-ron. Các phần còn lại trong bài
báo cáo được tổ chức như sau: phần hai, chúng
ta khái quát một số bước thông thường của một
hệ thống nhận dạng chữ viết tay. Thuật giải sẽ
được thể hiện trong phần ba. Phần bốn trình
bày những thí nghiệm và kết quả thu được.
Những thảo luận và đánh giá hiệu quả của giải
thuật sẽ được trình bày ở phần năm.
2. NHỮNG NÉT ĐẶC TRƯNG CỦA HỆ
THỐNG NHẬN DẠNG CHỮ VIẾT TAY
Nhận dạng chữ viết tay thường bao gồm
năm giai đoạn: tiền xử lý (preprocessing), phân
mảnh (segmentation), biểu diễn
(representation), huấn luyện và nhận dạng
(training and recognition), hậu xử lý
(postprocessing) [1, 3, 5].
(i) Tiền xử lý: giảm nhiễu cho các lỗi trong
quá trình quét ảnh, hoạt động viết của con
người, chuẩn hóa dữ liệu và nén dữ liệu.
(ii) Phân mảnh: chia nhỏ văn bản thành
những thành phần nhỏ hơn, phân mảnh các từ
trong câu hay các kí tự trong từ.
(iii) Biểu diễn, rút trích đặc điểm: giai
đoạn đóng vai trò quan trọng nhất trong nhận
dạng chữ viết tay. Để tránh những phức tạp của
chữ viết tay cũng như tăng cường độ chính xác,
ta cần phải biểu diễn thông tin chữ viết dưới
những dạng đặc biệt hơn và cô đọng hơn, rút
trích các đặc điểm riêng nhằm phân biệt các ký
tự khác nhau.
(iv) Huấn luyện và nhận dạng: phương
pháp điển hình so trùng mẫu, dùng thống kê,
mạng nơ-ron trí tuệ nhân tạo hay dùng phương
pháp kết hợp các phương pháp trên.
(v) Hậu xử lý: sử dụng các thông tin về
ngữ cảnh để giúp tăng cường độ chính xác,
dùng từ điển dữ liệu.
Hình 2.1. Hệ thống nhận dạng
Hình 2.2.Làm mỏng hình ảnh
Hình 2.1 mô tả quá trình trong hệ thống
nhận dạng. Sơ đồ gồm hai phần chính: đường
liền nét mô tả các bước để huấn luyện cho máy

Science & Technology Development, Vol 14, No.K2- 2011
Trang 64
học, đường đứt nét mô tả các bước trong quá
trình nhận dạng:
(i) Ban đầu các hình ảnh này đi qua giai đoạn
chuyển ảnh về dạng ảnh nhị phân (giai đoạn
tiền xử lý). Ảnh sẽ được lưu trữ dưới dạng ma
trận điểm, vị trí pixel có nét vẽ sẽ mang giá trị
1, ngược lại có giá trị 0. Sau đó, ảnh được cắt
xén để ký tự nằm trọn trong một khung chữ
nhật, các vùng không gian không có nét vẽ
được loại bỏ đi. Giải thuật cắt xén hiện thực
đơn giản dựa trên ảnh nhị phân và thu giảm ảnh
đã được cắt xén về một ảnh có kích thước
chung đã được quy định trước.
(ii) Tiếp theo, ảnh đã được cắt xén và thu nhỏ
được làm mỏng. Quá trình làm mỏng này giúp
ta chỉ lấy những thông tin cần thiết về hình
dạng của ký tự và loại bỏ các pixel dư thừa.
Hình 2.2 minh họa cho kết quả làm mỏng của
giải thuật. Các chấm nhỏ trên hình biểu thị các
pixel có giá trị 1 ban đầu. Sau khi làm mỏng,
chỉ những pixel có ý nghĩa được giữ lại, và
chúng được biểu diễn bằng các chấm to trong
hình.
(iii) Ảnh sau quá trình làm mỏng chứa hầu hết
các thông tin về hình dạng của ký tự. Những
thông tin này sẽ được phân tích để rút trích ra
các đặc điểm giúp việc phân loại các ký tự với
nhau. Phương thức này dựa trên thông tin về
hình dạng của ký tự như sự chuyển vị trí và sự
chuyển chiều. Kết quả quá trình này là các véc-
tơ đặc điểm chứa thông tin về ký tự. Các thông
tin này giúp máy lấy được các đặc điểm của
từng ký tự, phân loại chúng và tạo ra các thông
tin cần thiết để nhận dạng các ký tự có chung ý
nghĩa. Do chữ viết mỗi người mỗi khác nên ta
không thể thu thập tất cả các nét chữ của từng
người để máy học có thể nhận diện mà chỉ có
thể dựa trên một số mẫu nào đó để nhận ra các
nét chữ của những người viết khác nhau. Mạng
nơ-ron nhân tạo (Artificial neural networks) có
thể giải quyết vấn đề này.
(iv) Xây dựng mạng nơ-ron đồng nghĩa với
việc thiết lập các thông số thích hợp trong
mạng để giúp mạng có thể phân biệt được các
ký tự có trong và ngoài mẫu. Các thông số của
mạng nơ-ron sẽ được lưu lại và giúp cho quá
trình nhận dạng. Sau một loạt các giai đoạn
trên, chúng ta sẽ thu được những thông số cần
thiết của mạng nơ-ron, và nó giúp hệ thống
phân biệt được các kí tự viết tay. Và quá trình
nhận dạng được trình bày phần sau sử dụng
những kết quả từ quá trình máy học giúp hệ
thống phân biệt các ký tự.
3. GIẢI THUẬT NHẬN DẠNG CHỮ VIẾT
TAY
Trong khuôn khổ đề tài nghiên cứu này,
thay vì sử dụng ảnh trong tập hợp mẫu cho
trước, chúng ta sử dụng ảnh thu được từ người
dùng chương trình vẽ. Ảnh này qua các bước
tiền xử lý cũng như rút trích đặc điểm trong
quá trình huấn luyện. Mặt khác, thay vì các
véc-tơ đặc điểm được đưa vào giai đoạn huấn
luyện, các véc-tơ này sẽ được đưa vào giai
đoạn nhận dạng. Giai đoạn này sử dụng các
thông số của mạng nơ-ron, các véc-tơ đặc điểm
sẽ được đưa qua mạng nơ-ron và trả về véc-tơ
xuất. Véc-tơ xuất chỉ ra bit ký tự vừa vẽ có ý
nghĩa gì.

TAÏP CHÍ PHAÙT TRIEÅN KH&CN, TAÄP 14, SOÁ K2 - 2011
Trang 65
Trong phương pháp này, chúng ta chia cấu
trúc của giải thuật thành hai quá trình với các
giai đoạn theo trình tự sau:
- Quá trình huấn luyện: ảnh mẫu, ảnh nhị
phân, cắt xét và thu nhỏ, làm mỏng ảnh, rút
trích đặc điểm, xây dựng mạng nơ-ron.
- Quá trình nhận dạng: ảnh kí tự, ảnh nhị
phân, cắt xét và thu nhỏ, làm mỏng ảnh, rút
trích đặc điểm, nhận dạng.
3.1.Giải Thuật Làm Mỏng Nét Vẽ Của Ký
Tự
Như đã trình bày ở phần 2, giải thuật làm
mỏng nằm trong giai đoạn tiền xử lý với mục
đích loại bỏ các thông tin dư thừa về hình dạng
của ký tự. Các nét vẽ được làm mỏng thường đi
kèm với sự méo mó và biến dạng. Sự méo mó
càng ít càng tốt. Chúng ta dùng giải T.Y.
Zhang [4] làm giảm sự méo mó và tăng tốc độ
tính toán. Giải thuật này chú ý tới các pixel lân
cận của một pixel bất kỳ. Bảng 3.1 mô tả các
pixel lân cận của pixel P1(i, j).
Bảng 3.1.Các pixel lân cận của một pixel
P9 (i-1, j-1) P2 (i-1, j) P3 (i-1, j+1)
P8 (i, j-1) P1 (i, j) P4 (i, j+1)
P7 (i+1, j-1) P6 (i+1, j) P5 (i+1, j+1)
Mục tiêu của giải thuật là loại bỏ các điểm
bao quanh hình và giữ lại các điểm nằm trong
bộ khung. Để giữ gìn liên kết giữa các điểm
trong bộ khung, chúng ta chia vòng lặp lớn
thành hai vòng lặp nhỏ (vòng lặp qua từng
điểm một).
Vòng lặp thứ nhất sẽ xóa các điểm bao
quanh thỏa các điều kiện sau:
(a) 2 ≤ B(P1) ≤ 6
với B(P1): số các điểm lân cận khác 0 của
điểm P1.
B(P1) = P2 + P3 + P4 + P5 + P6 + P7 + P8 +
P9
(b) A(P1) = 1
với A(P1): số mẫu (Pi, Pj) = (0, 1) theo thứ
tự được sắp xếp như sau P2, P3, P4, …, P9.
Chẳn hạn, chuỗi P2, …, P9 = 00100100 thì
ta có A(P1) = 2.
(c) P2 * P4 * P6 = 0
(d) P4 * P6 * P8 = 0
Trong vòng lặp thứ hai, chúng ta xóa các
điểm thỏa hai điều kiện a) và b) của vòng lặp
thứ nhất và thỏa thêm hai điều kiện nữa:
(c’) P2 * P4 * P8 = 0
(d’) P2 * P6 * P8 = 0
Trong hai điều kiện (c) và (d) của vòng lặp
thứ nhất, chỉ xóa các đường biên ở phía Đông
Nam hay các góc ở phía Tây Bắc, có thể quan
sát qua hình 3.1:

Science & Technology Development, Vol 14, No.K2- 2011
Trang 66
Bắc
P
2
P3 P
1 P
4
Tây
P
6
Đông
Nam
Hình 3.1. Biểu diễn các pixel lân cận
Tương tự, các điểm bị xóa ở vòng lặp thứ
hai, điều kiện (c’) và (d’) là các điểm đường
biên ở phía Tây Bắc hoặc các góc ở phía Đông
Nam.
Điều kiện (a) sẽ giữ lại các điểm là điểm
kết thúc đường khung. Điều kiện (b) giúp ta
tránh khỏi xóa các điểm nằm giữa các điểm kết
thúc.
3.2.Phương Pháp Rút Trích Đặc Điểm
Kỹ thuật rút trích đặc điểm (modified
direction feature- MDF) dựa trên đặc điểm về
cấu trúc của chữ viết tay [4]. Kỹ thuật này kết
hợp những véc-tơ đặc điểm cục bộ với các
thông tin về cấu trúc toàn cục và cung cấp đặc
điểm tích hợp cho mạng nơ-ron huấn luyện và
kiểm tra. Hướng tiếp cận này xử lý dựa vào
đường biên của ký tự. Trong phương pháp,
chúng ta đề xuất sử dụng bộ khung, kết quả của
quá trình làm mỏng, thay cho đường biên. Ưu
điểm của cải tiến này không những làm giảm
thời gian thi hành của giải thuật mà còn đưa ra
các đặc điểm chính xác hơn. Tiếp theo, chiều
của các phần đoạn thẳng tạo nên các ký tự
được dò tìm và các pixel được thay thế bằng
các giá trị chiều thích hợp. Cuối cùng, các đặc
điểm của ký tự được huấn luyện và phân loại
bởi mạng nơ-ron. Giải thuật gồm hai bước
chính: lấy giá trị về chiều và các đặc điểm về
chiều đã được thay đổi.
3.2.1.Lấy Giá Trị Chiều
[3] đề xuất một phương pháp lấy giá trị
chiều (Obtaining Direct Values). Dữ liệu đưa
vào bước này là ảnh nhị phân đã được làm
mỏng. Các giá trị về chiều được quy định như
sau: value = 2 cho chiều dọc, value = 4 cho
chiều ngang, value = 3 cho đường chéo phải,
value = 5 cho đường chéo trái và value = 1 cho
điểm bắt đầu như hình 3.2.
Hình 3.2. Giá trị chiều cho MDF
Đầu tiên, chúng ta đi tìm điểm bắt đầu.
Điểm bắt đầu được định nghĩa là pixel đầu tiên
màu đen (mang giá trị 1) được tìm thấy tại vị trí
dưới nhất và trái nhất của ảnh kí tự. Điểm này
sẽ được gán giá trị value = 8.

TAÏP CHÍ PHAÙT TRIEÅN KH&CN, TAÄP 14, SOÁ K2 - 2011
Trang 67
Tiếp theo, ta phân biệt từng phần đoạn
thẳng riêng biệt. Giải thuật thu thập từng pixel
một và dựa vào chiều trước đó của nó, nó
chuyển đổi giá trị của các pixel này đồng thời
kiểm tra điều kiện có đoạn thẳng mới. Nếu một
trong những điều kiện sau được gặp, ta xem là
một đoạn thẳng mới đã được tìm thấy. Các điều
kiện được diễn tả như sau:
- Tìm được điểm góc: điểm ngay tại đó có
sự thay đổi tức thời về chiều. Có tám trường
hợp điểm góc như hình 3.3:
Hình 3.3. Các trường hợp điểm góc
- Đổi chiều 3 lần.
- Có sự đổi chiều, chiều của pixel trước
liên tục giống nhau và chiều dài của chiều
trước đó của chuỗi liên tục này lớn hơn 3.
Sau khi đã cập nhật các giá trị chiều cho
từng pixel, các giá trị này sẽ được chuẩn hóa
(chuẩn hóa các giá trị chiều). Có ba bước để
chuẩn hóa các giá trị về chiều trong một đoạn
thẳng:
(i) Tìm những giá trị chiều nào thường
xuất hiện nhất trong đoạn thẳng cần chuẩn hóa
bằng cách dùng phương pháp đếm thông
thường để xác định giá trị chiều nào xuất hiện
nhiều nhất trong đoạn thẳng.
(ii) Thay thế tất cả các giá trị chiều của các
pixel trong một đoạn thẳng bằng giá trị chiều
được xuất hiện nhiều nhất trong đoạn thẳng đó.
(iii) Thay thế giá trị của điểm bắt đầu
(value = 8) bằng giá trị chiều có tần suất xuất
hiện nhiều nhất trong đoạn thẳng.
Hình 3.4 biểu diễn việc tính giá trị chiều
và chuẩn hóa cho kí tự a. Trong hình này,
chúng ta thấy rằng các giá trị chiều ứng với các
đường nét tương ứng đã được chuẩn hóa.
Hình 3.4. Tính giá trị chiều cho kí tự a
3.2.2.Lấy Giá Trị MDF
Kỹ thuật lấy giá trị MDF (Obtaining
Modified Direction Feature) được xây dựng
dựa trên kỹ thuật Direction Feature (DF) và
Transition Feature (TF). Trong kỹ thuật này,
chúng ta tính giá trị của véc-tơ đặc điểm dựa
trên giá trị chiều [LT, DT] và sự chuyển từ giá
trị pixel = 0 sang giá trị pixel = 1, trong đó
(i) LT (Location Transition): giá trị đánh
dấu những vị trí mà có sự chuyển từ pixel = 0
sang pixel = 1. Giá trị LT được tính bằng cách
quét từng hàng từ trái sang phải và ngược lại,
quét các cột từ trên xuống dưới và ngược lại.
LT = (vị trí chuyển từ 0 sang 1) / (độ dài
của mỗi chiều)
(ii) DT (Direction Transition): tính toán
dựa trên các giá trị về chiều đã được phân tích.
Trong đó, số phần tử trong véc-tơ DT được xác

Science & Technology Development, Vol 14, No.K2- 2011
Trang 68
định trước, ở đây chọn là 3, và mỗi phần tử là
giá trị chiều tại mỗi điểm có sự chuyển pixel từ
0 sang khác 0 (nonzero).
(iii) Chuẩn hóa véc-tơ: tính giá trị trung
bình của ba véc-tơ LT hoặc DT liên tiếp nhau.
Hình 3.5 biểu diễn cách tính LT và DT điển
hình như sau:
Hình 3.5. Cách tính LT và DT điển hình
3.3.Sử Dụng Mạng Nơ-Ron Đề Huấn
Luyện Và Nhận Dạng
Mạng nơ-ron cung cấp một hướng tiếp cận
mạnh cho các giá trị thực xấp xỉ, giá trị rời rạc
hay các véc-tơ giá trị. Trong nhiều dạng của
vấn đề, mạng nơ-ron nhân tạo là một trong
những phương pháp máy học hiểu quả hiện
nay. Trong phần nghiên cứu của mình, kỹ thuật
mạng nơ-ron truyền ngược (back-propagation),
một trong những phương pháp hiểu quả trong
trong nhiều bài toán, thích hợp bài toán nhận
dạng chữ viết tay của chúng ta.
Trong giải thuật đề cập trên, mạng nơ-ron
giúp xây dựng một tập cơ sở dữ liệu từ việc
huấn luyện các tập mẫu có sẵn. Cơ sở dữ liệu
này được dùng trong nhận dạng ký tự từ các
đặc điểm phân tích được.
4. KẾT QUẢ THÍ NGHIỆM
Trong khuôn khổ của bài nghiên cứu,
chúng ta sử dụng tập không gian mẫu cho quá
trình học máy bởi mạng nơ-ron có kích thước
500 mẫu, được lấy mẫu từ 500 người khác
nhau. Mỗi mẫu là 26 file tương ứng với 26 ký
tự Latin. Một số ký tự mẫu được thu thập như
sau:
Ký tự aKý tự hKý tự i Ký tự j Ký tự o
Ký tự qKý tự s Ký tự t Ký tự w Ký tự z
Hình 4.1. Một số ký tự mẫu
Giao điện chương trình được thể hiện
trong hình bên dưới (hình 4.2)
Hình 4.2. Giao điện chương trình
Chúng ta sẽ thi hành phương pháp nhận
dạng chữ viết được trình bày ở phần 3 trên
nhiều người dùng khác nhau. Trong bài báo cáo
này, chúng ta chỉ nêu ra một vài kết quả minh
họa. Sau đây là bảng kết quả khi tiến hành thử
nghiệm trên 5 user khác nhau:

TAÏP CHÍ PHAÙT TRIEÅN KH&CN, TAÄP 14, SOÁ K2 - 2011
Trang 69
Bảng 4.1.Một số kết quả độ chính xác của
chương trình
Số trường
hợp
User 1 Use
r
2
User
3
User
4
User
5
Đúng 21 25 22 23 23
Sai 5 1 4 3 3
Các
trường
hợp sai
Độ chính
xác (%) 80,7 96,1 84.6 88.5 88.5
Quá trình kiểm tra tiến hành kiểm nghiệm
trên nhiều người dùng khác nhau. Mỗi người
dùng sẽ sử dụng phần mềm viết 26 kí tự và
chương trình chạy kết quả nhận dạng, độ chính
xác trung bình thu được là 84% và thời gian
nhận dạng trung bình là 0.84ms.
5. KẾT LUẬN
Trong bài báo cáo này, chúng ta phát triển
một kỹ thuật nhận dạng ký tự viết tay dùng
phương pháp nhận dạng dựa trên thông tin tĩnh.
Phương pháp gồm hai bước: làm mỏng nét ký
tự để giữ lại bộ khung của chúng và những
thông tin đặc trưng được rút trích dựa trên bộ
khung này bằng phương pháp rút trích thông
tin theo chiều. Mặt khác, chúng ta xây dựng
mạng nơ-ron nhân tạo nhằm tạo ra cơ sở dữ
liệu tri thức cho quá trình nhận dạng. Không
giống như những phương pháp khác, phương
pháp chúng ta đề xuất sử dụng bộ khung, kết
quả của quá trình làm mỏng, thay cho đường
biên. Ưu điểm của sự cải tiến này không những
làm giảm thời gian thi hành của giải thuật mà
còn đưa ra các đặc điểm chính xác hơn. Mặt
khác, thay vì các véc-tơ đặc điểm được đưa vào
giai đoạn huấn luyện, các véc-tơ này sẽ được
đưa vào giai đoạn nhận dạng.
Bên cạnh những ưu điểm trên, giải thuật
làm mỏng không phù hợp chữ viết chữ quá
nhỏ, các nét viết có thể dính từ nét này qua nét
khác. Do đó, giải thuật có thể làm mất thông tin
của ảnh. Khi chuẩn hóa các giá trị về chiều,
một số trường hợp chuẩn hóa không trả về các
giá trị mong muốn, làm sai lệch thông tin thực
về nét vẽ. Chương trình phải huấn luyện trên
hàng ngàn mẫu ký tự khác nhau. Do số mẫu
được huấn luyện quá ít, không thể đánh giá xác
thực được độ chính xác của chương trình một
cách tuyệt đối. Hướng phát triển sắp tới của
nhóm nghiên cứu là tăng cường và bổ sung
thêm một số các đặc điểm khác cần phải rút
trích để tăng độ tin cậy và lưu những thông tin
chính xác hơn về đặc trưng của ký tự. Mặt
khác, nhóm áp dụng một số phương pháp cải
tiến trong mạng nơ-ron để tăng độ tin cậy cho
mạng.

Science & Technology Development, Vol 14, No.K2- 2011
Trang 70
MODIFIED DIRECTION FEATURE AND NEURAL NETWORK BASED
TECHNIQUE FOR HANDWRITING CHARACTER RECOGNITION
Huynh Huu Loc, Luu Quoc Hai, Dinh Duc Anh Vu
University of Technology, VNU-HCM
ABSTRACT: Handwriting character recognition is an important research topic which has
various applications in surveillance, radar, robot technology... In this paper, we propose the
implementation of the handwriting character recognition using off-line handwriting recognition. The
approach consists of two steps: to make thin handwriting by keeping the skeleton of character and reject
redundant points caused by humam’s stroke width and to modify direction method which provide high
accuracy and simply structure analysis method to extract character’s features from its skeleton. In
addition, we build neural network in order to help machine learn character specific features and create
knowledge databases to help them have ability to classify character with other characters. The
recognition accuracy of above 84% is reported on characters from real samples. Using this off-line
system and other parts in handwriting text recognition, we can replace or cooperate with online
recognition techniques which are ususally applied on mobile devices and extend our handwriting
recognition technique on any surfaces such as papers, boards, and vehicle lisences as well as provide
the reading ability for humanoid robot.
TÀI LIỆU THAM KHẢO
[1]. Nafiz Arica and Fatos T. Yarman-
Vural, An Overview of Character
Recognition Focused on Off-Line
Handwriting, in IEEE Transactions on
Systems, Man, And Cybernetics—Part C:
Applications And Reviews, Vol. 31, No. 2,
May 2001.
[2]. M.Blumenstein, X.Y. Liu, B. Verma,
A modified direction feature for cursive
character recognition, International Joint
Conference on Neural Networks (IJCNN
’04), Budapest, Hungary, 2004, pp. 2983–
2987.
[3]. M.Blumenstein, B.K.Verma, H.Basli,
A novel feature extraction technique for
the recognition of segmented handwritten
characters, Seventh International
Conference on Document Analysis and
Recognition, 2003, pp. 137–141.
[4]. T.Y.Zhang and C.Y.Suen, A Fast
Parallel Algorithm for Thinning Digital
Patterns, in Image Processing and
Computer Vision. Volume 27 , March
1984, pp 236 - 239
[5]. R.M.Bozinovic and S. N. Srihari, Off-
line cursive script word recognition, IEEE
Trans. Pattern Anal. Machine Intell, Vol
11, 1989